Abstract
L'apprentissage automatique joue un rôle de plus en plus important en sciences des matériaux. De nombreux modèles sont construits pour, par exemple, prédire des propriétés physiques comme la conductivité thermique à partir de structures atomiques (voir par exemple [1] et [2], ainsi que les classements de ces modèles sur différentes tâches [3]). D'autres modèles plus fondamentaux servent à calculer, sur la base de très grands jeux d'apprentissage, l'énergie et les champs de force des matériaux (voir [4], et le classement [5]). Néanmoins, il s'agit d'une discipline complexe : les matériaux peuvent être étudiés à différentes échelles, dans différentes conditions, selon des méthodes théoriques ou expérimentales. Les matériaux eux-mêmes peuvent être considérés selon leur structure atomique, leurs propriétés physiques, leurs propriétés fonctionnelles, etc.
Les graphes de connaissances sont ainsi amenés à jouer un rôle de plus en plus important dans ce contexte. Au niveau le plus bas, il s'agit de décrire la provenance des jeux de données utilisés pour l'entraînement des modèles, considérant que les valeurs utilisées peuvent provenir de nombreuses études différentes, ayant utilisé des méthodes de calcul différentes. L'identification des matériaux eux-mêmes est un défi : une formule chimique peut amener à de nombreuses structures atomiques et les propriétés des matériaux synthétisés peuvent être profondément affectées par la méthode de synthèse. Les graphes de connaissances ici peuvent jouer un rôle dans la caractérisation des matériaux à différents niveaux, selon des conceptualisations fines, et en prenant en compte la subtilité des assertions réalisées (par exemple, qu'une propriété a une valeur d'après une méthode de calcul, dans certaines conditions, pour un matériau identifié d'une façon particulière).
À un niveau plus haut, l'objectif des modèles de prédiction n'est pas seulement d'accélérer les calculs. Il s'agit aussi d'identifier dans leur apprentissage l'émergence de phénomènes chimiques ou physiques venant compléter les connaissances connues [6]. Ici, le rôle des graphes de connaissances est de représenter ces connaissances connues sous la forme de relations sémantiques entre les matériaux, les descripteurs, méthodes de calcul et les concepts physiques de servir de base à l’interpréter des prédictions (XAI) et aux représentations construites par les modèles [7].
Dans cette présentation, nous décrivons les travaux en cours pour la construction de graphes de connaissances ne modélisant pas seulement les matériaux, leurs structures et leurs propriétés, mais aussi la source de ces informations, les méthodes utilisées pour les obtenir, et les modèles qui utilisent ces informations pour leur entraînement et leur validation.
REFERENCES
-
[1] Klochko, L., & d'Aquin, M. (2026). Two-stage transfer learning for deep learning-based prediction of lattice thermal conductivity. Physical Chemistry Chemical Physics, 28(13), 8146-8154.
-
[3] Dunn, A., Wang, Q., Ganose, A., Dopp, D., Jain, A. Benchmarking Materials Property Prediction Methods: The Matbench Test Set and Automatminer Reference Algorithm. npj Computational Materials 6, 138 (2020).
-
[4] Yang, H., Liu, X., Hu, C., Zhou, Y., Shi, Y., Liu, C., ... & Lu, Z. (2026). MatterSim-MT: A multi-task foundation model for in silico materials characterization. arXiv preprint arXiv:2605.07927.
-
[5] Riebesell, J., Goodall, R.E.A., Benner, P. et al. A framework to evaluate machine learning crystal stability predictions. Nat Mach Intell 7, 836–847 (2025).
-
[6] D'Aquin, M. (2025). On the role of knowledge graphs in AI-based scientific discovery. Journal of Web Semantics, 84, 100854.
-
[7] d'Aquin, M., & Klochko, L. (2025). Using Knowledge Graphs to Measure and Characterize the Interpretability of Deep Learning Interpretations. HCAI Workshop, ACM CIKM, South Korea.
AUTRICES ET AUTEURS
Alexis Beer est ingénieur d'étude en alternance avec une expertise en modèles d'apprentissage profond, en particulier appliqués aux matériaux. Il travaille sur des méthodes d'extraction d'information à base de LLM.
Liudmyla Klochko est ingénieure de recherche en IA appliquée à la physique et aux matériaux. Elle développe des approches de traitement de données et d'apprentissage automatique pour divers problèmes de découverte scientifique.
Matthieu Pelingre est chercheur postdoctoral en IA appliquée à la chimie et à la science des matériaux. Il s'intéresse en particulier à l'extraction d'information à partir de documents scientifiques en relation avec des connaissances formalisées.
Mathieu d'Aquin est professeur d'informatique et chercheur au LORIA à Nancy. Il est responsable de l'équipe MosAIk, qui s'intéresse à différentes facettes de l'IA, du symbolique au neuronal. Son sujet principal de recherche relève de l'ingénierie des connaissances et de sa place dans les méthodes et techniques d'IA de façon plus générale.